Результаты поиска по 'нитрификация':
Найдено статей: 2
  1. От редакции
    Компьютерные исследования и моделирование, 2026, т. 18, № 4, с. 741-745
    Editor’s note
    Computer Research and Modeling, 2026, v. 18, no. 4, pp. 741-745
  2. Гречнева А.О., Тарасов В.Д., Тархов Д.А., Шатров А.В.
    Нейросетевое моделирование полной системы нитрификации аммония с идентификацией параметров
    Компьютерные исследования и моделирование, 2026, т. 18, № 4, с. 909-928

    В статье рассматривается применение метода физически информированных нейронных сетей для моделирования процесса нитрификации при очистке сточных вод. Актуальность работы обусловлена необходимостью повышения эффективности очистки и оперативного контроля за изменениями параметров в реальном времени, что затруднительно при использовании традиционных подходов, таких как модели активного ила (ASM). Авторы предлагают подход, объединяющий решение прямой задачи и идентификацию параметров системы дифференциальных уравнений, описывающих окисление азота. В ходе исследования проведен сравнительный анализ трех архитектур нейронных сетей: с фиксированным одинаковым числом нейронов, с фиксированным различным числом нейронов и с растущим в процессе обучения числом нейронов. Для нахождения оптимальных параметров (числа нейронов и весового коэффициента функции потерь) использована многокритериальная оптимизация на основе построения фронта Парето. Результаты показали, что предложенный подход позволяет эффективно восстанавливать динамику концентраций азотистых соединений с высокой точностью. Наилучшее соответствие экспериментальным данным при допустимом уровне невязки уравнений обеспечила архитектура с различным постоянным числом нейронов при оптимально подобранных весовых коэффициентах.

    Ключевые слова: физически информированные нейронные сети, PINN, очистка сточных вод, нитрификация, идентификация параметров, моделирование, машинное обучение, многокритериальная оптимизация.
    Grechneva A.O., Tarasov V.D., Tarkhov D.A., Shatrov A.V.
    Neural network modeling of a complete ammonium nitrification system with parameter identification
    Computer Research and Modeling, 2026, v. 18, no. 4, pp. 909-928

    This paper explores the application of Physics-Informed Neural Networks for modeling the nitrification process in wastewater treatment. The relevance of this work stems from the need to improve treatment efficiency and enable real-time monitoring of parameter changes, which is challenging with traditional approaches such as Activated Sludge Models (ASM). The authors propose a method that combines solving the forward problem and identifying parameters of a system of differential equations describing nitrogen oxidation. The study conducts a comparative analysis of three neural network architectures: with a fixed identical number of neurons, with a fixed different number of neurons, and with a progressively growing number of neurons during training. Multicriteria optimization based on the Pareto front construction was employed to find optimal parameters (number of neurons and the loss function weight coefficient). The results demonstrate that the proposed approach effectively reconstructs the dynamics of nitrogen compound concentrations with high accuracy. The architecture with a fixed different number of neurons, combined with optimally selected weight coefficients, provided the best agreement with experimental data while maintaining an acceptable residual of the equations.

    Keywords: physics-informed neural networks, PINN, wastewater treatment, nitrification, parameter identification, modeling, machine learning, multi-criteria optimization.

Indexed in Scopus

Full-text version of the journal is also available on the web site of the scientific electronic library eLIBRARY.RU

The journal is included in the Russian Science Citation Index

The journal is included in the RSCI

International Interdisciplinary Conference "Mathematics. Computing. Education"

Website Copyright © 2009–2026 Institute of Computer Science